I dette indlæg demonstrerer vi, hvordan man opretter en automatiseret e-mail-svarløsning ved hjælp af Amazon Comprehend.
Organisationer bruger masser af ressourcer, kræfter og penge på at drive deres kundepleje for at besvare kundespørgsmål og levere løsninger. Dine kunder kan stille spørgsmål via forskellige kanaler, såsom e-mail, chat eller telefon, og det kan være ressourcekrævende, tidskrævende og endda uproduktivt at bruge en arbejdsstyrke til at besvare disse spørgsmål, hvis svarene på disse spørgsmål er gentagne.
Under COVID-19-pandemien kunne mange organisationer ikke støtte deres kunder tilstrækkeligt på grund af nedlukningen af kundeservice og agentfaciliteter, og kundeforespørgsler hobede sig op. Nogle organisationer kæmpede for at svare på forespørgsler omgående, hvilket kan forårsage en dårlig kundeoplevelse. Dette kan igen resultere i kundetilfredshed og kan påvirke en organisations omdømme og omsætning på lang sigt.
Selvom din organisation muligvis har dataaktiverne til kundeforespørgsler og -svar, kan du stadig kæmpe med at implementere en automatiseret proces til at besvare dine kunder. Udfordringer kan omfatte ustrukturerede data, forskellige sprog og mangel på ekspertise inden for kunstig intelligens (AI) og machine learning (ML) teknologier.
Du kan overvinde sådanne udfordringer ved at bruge Amazon Comprehend til at automatisere e-mail-svar på kundeforespørgsler. Med vores løsning kan du identificere hensigten med kunde-e-mails, der sender et automatisk svar, hvis hensigten matcher din eksisterende videnbase. Hvis hensigten ikke matcher, går e-mailen til supportteamet for et manuelt svar. Følgende er nogle almindelige kundehensigter, når du kontakter kundeservice:
- Transaktionsstatus (f.eks. status for en pengeoverførsel)
- Password reset
- Kampagnekode eller rabat
- Åbningstider
- Find en agentplacering
- Anmeld svindel
- Lås konto op
- Luk konto
Amazon Comprehend kan hjælpe dig med at udføre klassificering og enhedsdetektering på e-mails for enhver af ovenstående formål. Til denne løsning viser vi, hvordan man klassificerer kunde-e-mails for de første tre hensigter. Du kan også bruge Amazon Comprehend til at registrere nøgleoplysninger fra e-mails, så du kan automatisere dine forretningsprocesser. For eksempel kan du bruge Amazon Comprehend til at automatisere svaret på en kundeanmodning med specifikke oplysninger relateret til den forespørgsel.
Løsningsoversigt
For at opbygge vores kunde-e-mail-svarsflow bruger vi følgende tjenester:
- Amazon Comprehend
- AWS Lambda
- Amazon Simple Email Service (Amazon SES)
- Amazon Simple Notification Service (Amazon SNS)
- Amazon WorkMail
Følgende arkitekturdiagram fremhæver end-to-end-løsningen:
Løsningsarbejdsgangen omfatter følgende trin:
- En kunde sender en e-mail til den kundesupport-e-mail, der er oprettet i WorkMail.
- WorkMail aktiverer en Lambda-funktion ved modtagelse af e-mailen.
- Funktionen sender e-mail-indholdet til et tilpasset klassifikationsmodelslutpunkt.
- Det tilpassede klassifikationsslutpunkt vender tilbage med en klassificeret værdi og et konfidensniveau (over 80 %, men du kan konfigurere dette efter behov).
- Hvis klassifikationsværdien er
MONEYTRANSFER
, kalder Lambda-funktionen enhedsdetekteringsslutpunktet for at finde pengeoverførsels-id'et. - Hvis pengeoverførsels-id'et returneres, returnerer funktionen pengeoverførselsstatus tilfældigt (i et virkeligt scenarie kan du kalde databasen via API for at hente den faktiske overførselsstatus).
- Baseret på den klassificerede værdi, der returneres, vælges en foruddefineret e-mail-skabelon i Amazon SES, og en svar-e-mail sendes til kunden.
- Hvis konfidensniveauet er mindre end 80 %, en klassificeret værdi ikke returneres, eller enhedsdetektering ikke finder pengeoverførsels-id'et, sendes kundens e-mail til et SNS-emne. Du kan abonnere på Amazon SNS for at sende beskeden til dit billetsystem.
Forudsætninger
Se i README.md fil i GitHub repo for at sikre, at du opfylder forudsætningerne for at implementere denne løsning.
Implementer løsningen
Løsningsimplementering består af følgende trin på højt niveau:
- Fuldfør manuelle konfigurationer ved hjælp af AWS Management Console.
- Kør scripts i en Amazon SageMaker notesbogsforekomst ved hjælp af den medfølgende notesbogsfil.
- Implementer løsningen ved hjælp af AWS Cloud Development Kit (AWS CDK).
For fuldstændige instruktioner henvises til README.md fil i GitHub repo.
Test løsningen
For at teste løsningen skal du sende en e-mail fra din personlige e-mail til den support-e-mail, der er oprettet som en del af AWS CDK-implementeringen (til dette indlæg bruger vi support@mydomain.com). Vi bruger følgende tre hensigter i vores eksempeldata til tilpasset klassificeringstræning:
- PENGEOVERFØRSEL – Kunden ønsker at kende status for en pengeoverførsel
- PASSRESET – Kunden har et login, låst konto eller anmodning om adgangskode
- TILBUDSKODE – Kunden ønsker at vide om en rabat- eller kampagnekode tilgængelig for en pengeoverførsel
Følgende skærmbillede viser et eksempel på en kunde-e-mail:
Hvis kundens e-mail ikke er klassificeret, eller konfidensniveauet er under 80 %, videresendes indholdet af e-mailen til et SNS-emne. Den, der abonnerer på emnet, modtager e-mail-indholdet som en besked. Vi abonnerede på dette SNS-emne med den e-mail, som vi sendte med human_workflow_email
parameter under implementeringen.
Ryd op
For at undgå at pådrage sig løbende omkostninger skal du slette de ressourcer, du har oprettet som en del af denne løsning, når du er færdig.
Konklusion
I dette indlæg lærte du, hvordan du konfigurerer et automatiseret e-mail-svarsystem ved hjælp af Amazon Comprehend-kundeklassificering og enhedsdetektion og andre AWS-tjenester. Denne løsning kan give følgende fordele:
- Forbedret e-mail-svartid
- Forbedret kundetilfredshed
- Omkostningsbesparelser med hensyn til tid og ressourcer
- Evne til at fokusere på centrale kundespørgsmål
Du kan også udvide denne løsning til andre områder i din virksomhed og til andre brancher.
Med den nuværende arkitektur bliver de e-mails, der er klassificeret med en lav konfidensscore, dirigeret til en menneskelig løkke til manuel verifikation og svar. Du kan bruge input fra den manuelle gennemgang til yderligere at forbedre Amazon Comprehend-modellen og øge den automatiserede klassificeringshastighed. Amazon Augmented AI (Amazon A2I) giver indbyggede arbejdsgange for menneskelige gennemgange til almindelige ML-brugssager, såsom NLP-baseret enhedsgenkendelse i dokumenter. Dette giver dig mulighed for nemt at gennemgå forudsigelser fra Amazon Comprehend.
Efterhånden som vi får flere data til enhver hensigt, omskoler og implementerer vi den tilpassede klassificeringsmodel og opdaterer e-mailsvarstrømmen i overensstemmelse hermed i GitHub repo.
Om forfatteren
Godwin Sahayaraj Vincent er en Enterprise Solutions Architect hos AWS, der brænder for Machine Learning og giver vejledning til kunder om at designe, implementere og administrere deres AWS-arbejdsbelastninger og -arkitekturer. I sin fritid elsker han at spille cricket med sine venner og tennis med sine tre børn.
Shamika Ariyawansa er en AI/ML Specialist Solutions Architect på Global Healthcare and Life Sciences-teamet hos Amazon Web Services. Han arbejder med kunder for at fremme deres ML-rejse med en kombination af AWS ML-tilbud og hans ML-domæneviden. Han er baseret fra Denver, Colorado. I sin fritid nyder han at køre offroad-eventyr i Colorado-bjergene og konkurrere i maskinlæringskonkurrencer.
- Coinsmart. Europas bedste Bitcoin og Crypto Exchange.
- Platoblokkæde. Web3 Metaverse Intelligence. Viden forstærket. FRI ADGANG.
- CryptoHawk. Altcoin radar. Gratis prøveversion.
- Kilde: https://aws.amazon.com/blogs/machine-learning/automate-email-responses-using-amazon-comprehend-custom-classification-and-entity-detection/
- "
- 100
- Om
- Konto
- AI
- Amazon
- Amazon Web Services
- api
- arkitektur
- kunstig
- kunstig intelligens
- Kunstig intelligens (AI)
- Aktiver
- augmented
- Automatiseret
- til rådighed
- AWS
- fordele
- grænse
- bygge
- indbygget
- virksomhed
- ringe
- hvilken
- tilfælde
- Årsag
- udfordringer
- kanaler
- klassificering
- Cloud
- kode
- Colorado
- kombination
- Fælles
- tillid
- indhold
- Omkostninger
- Covid-19
- COVID-19-pandemi
- cricket
- Nuværende
- Kundeoplevelse
- Kunde support
- Kunder
- data
- Database
- Denver
- indsætte
- implementering
- implementering
- Design
- Detektion
- Udvikling
- forskellige
- Rabat
- dokumenter
- Er ikke
- domæne
- nemt
- Endpoint
- Enterprise
- eksempel
- Udvid
- erfaring
- ekspertise
- Fornavn
- flow
- Fokus
- efter
- fuld
- funktion
- Global
- sundhedspleje
- hjælpe
- Hvordan
- How To
- HTTPS
- identificere
- KIMOs Succeshistorier
- gennemføre
- Forbedre
- omfatter
- Forøg
- industrier
- oplysninger
- Intelligens
- hensigt
- Nøgle
- børn
- viden
- Sprog
- lærte
- læring
- Niveau
- Life Sciences
- låst
- Lang
- maskine
- machine learning
- ledelse
- manuel
- Match
- ML
- model
- penge
- notesbog
- underretning
- tilbud
- Produktion
- organisation
- organisationer
- Andet
- pandemi
- Adgangskode
- personale
- Leg
- fattige
- Forudsigelser
- behandle
- Processer
- give
- giver
- ressource
- Ressourcer
- svar
- afkast
- indtægter
- gennemgå
- kører
- VIDENSKABER
- Tjenester
- nedlukning
- Simpelt
- So
- Løsninger
- tilbringe
- Status
- Hold mig opdateret
- support
- systemet
- hold
- Teknologier
- prøve
- tid
- tidskrævende
- Kurser
- Opdatering
- brug
- værdi
- Verifikation
- web
- webservices
- WHO
- Workforce
- virker